Question

我有这段代码，用于使用来自Tensorflow Hub的预训练通用编码器来构建语义搜索引擎。我无法转换成轻型。我已将模型保存到目录中。

导入模型：

module_path ="/content/drive/My Drive/4"
%time model = hub.load(module_path)
#print ("module %s loaded" % module_url)

#Create function for using modeltraining
def embed(input):
    return model(input)

训练数据模型：

## training the model
Model_USE= embed(data)

保存模型：

exported = tf.train.Checkpoint(v=tf.Variable(Model_USE))
exported.f = tf.function(
    lambda  x: exported.v * x,
    input_signature=[tf.TensorSpec(shape=None, dtype=tf.float32)])
export_dir = "/content/drive/My Drive/"
tf.saved_model.save(exported,export_dir)

保存工作正常，但是当我转换为tflite时会出错。

转换代码：

converter = tf.lite.TFLiteConverter.from_saved_model(export_dir)
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS,
                                       tf.lite.OpsSet.SELECT_TF_OPS]
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)

错误：

as_list() is not defined on an unknown TensorShape.

Answer 1

首先，您需要添加一个数据生成器以具有转换器的代表性输入。就是这样：

def representative_data_gen():
  for input_value in dataset.take(100):
    yield [input_value]

input value的形状必须为(1, your_iput_shape)，就好像它的批处理形状为1。

您还应该声明所需的优化类型，例如：

converter.optimizations = [tf.lite.Optimize.OPTIMIZE_FOR_SIZE]

尽管如此，我还遇到了转换器的不同选项的问题，具体取决于网络结构，在这种情况下我不知道。因此，为使转换器清晰运行，我将要做：

converter = lite.TFLiteConverter.from_keras_model(model)
converter.experimental_new_converter = True
converter.optimizations = [lite.Optimize.DEFAULT]
tfmodel = converter.convert()

converter.experimental_new_converter = True用于转换https://github.com/tensorflow/tensorflow/issues/34813中的RNN时出现问题

编辑：

如此处所述：ValueError: None is only supported in the 1st dimension. Tensor 'flatbuffer_data' has invalid shape '[None, None, 1, 512]' TFLite仅允许数据的第一维为“无”，即批处理。所有其他尺寸必须固定。尝试用tf.keras.preprocessing.sequence.pad_sequences填充它们。

然后按照tensorflow.org/guide/keras/masking_and_padding或Embedding层屏蔽网络中的序列，如Masking所述。

将Tensorflow模型转换为TFLITE

1 个答案: